論文の概要: TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction

• arxiv url: http://arxiv.org/abs/2303.04116v2
• Date: Thu, 28 Sep 2023 14:50:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 22:45:37.785175
• Title: TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction
• Title（参考訳）: TrafficBots: 自律走行シミュレーションとモーション予測のための世界モデルを目指して
• Authors: Zhejun Zhang, Alexander Liniger, Dengxin Dai, Fisher Yu, Luc Van Gool
• Abstract要約: 我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
• 参考スコア（独自算出の注目度）: 149.5716746789134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven simulation has become a favorable way to train and test autonomous driving algorithms. The idea of replacing the actual environment with a learned simulator has also been explored in model-based reinforcement learning in the context of world models. In this work, we show data-driven traffic simulation can be formulated as a world model. We present TrafficBots, a multi-agent policy built upon motion prediction and end-to-end driving, and based on TrafficBots we obtain a world model tailored for the planning module of autonomous vehicles. Existing data-driven traffic simulators are lacking configurability and scalability. To generate configurable behaviors, for each agent we introduce a destination as navigational information, and a time-invariant latent personality that specifies the behavioral style. To improve the scalability, we present a new scheme of positional encoding for angles, allowing all agents to share the same vectorized context and the use of an architecture based on dot-product attention. As a result, we can simulate all traffic participants seen in dense urban scenarios. Experiments on the Waymo open motion dataset show TrafficBots can simulate realistic multi-agent behaviors and achieve good performance on the motion prediction task.
• Abstract（参考訳）: データ駆動型シミュレーションは、自律運転アルゴリズムのトレーニングとテストに好適な方法となっている。 実環境を学習シミュレータに置き換えるというアイデアは、世界モデルの文脈におけるモデルベース強化学習でも研究されている。 本研究では,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示す。 我々は、モーション予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介し、TrafficBotsに基づいて、自動運転車の計画モジュールに適した世界モデルを得る。 既存のデータ駆動型トラフィックシミュレータには、構成性やスケーラビリティがない。 設定可能な振る舞いを生成するために、各エージェントに対して、目的地をナビゲーション情報として導入し、行動スタイルを規定する時間不変の潜時パーソナリティを導入する。 拡張性を向上させるために,すべてのエージェントが同じベクトル化されたコンテキストを共有し,ドット製品注目に基づくアーキテクチャを使用することを可能にする,アングルの位置符号化の新たなスキームを提案する。 その結果、密集した都市シナリオで見られる全ての交通参加者をシミュレートすることができる。 waymoオープンモーションデータセットの実験では、trafficbotsはリアルなマルチエージェント動作をシミュレートし、動き予測タスクで優れたパフォーマンスを達成することができる。

関連論文リスト

• DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
  本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。 その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。 動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T03:00:33Z)
• Solving Motion Planning Tasks with a Scalable Generative Model [15.858076912795621]
  本稿では,運転シーンのダイナミクスを学習する生成モデルに基づく効率的な解を提案する。 我々の革新的なデザインは、モデルがフルオートレグレッシブモードとパーシャルオートレグレッシブモードの両方で動作できるようにする。 提案した生成モデルは,様々な動作計画タスクの基盤となる可能性がある。
  論文  参考訳（メタデータ） (2024-07-03T03:57:05Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
  データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。 我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。 コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
  論文  参考訳（メタデータ） (2022-08-26T02:17:54Z)
• A Hierarchical Pedestrian Behavior Model to Generate Realistic Human Behavior in Traffic Simulation [11.525073205608681]
  本稿では,行動木を用いた階層的歩行者行動モデルを提案する。 私たちの作業の完全な実装は、シナリオ定義と実行エンジンであるGeoScenario Serverに統合されます。 提案モデルでは,実際の歩行者の軌跡を高精度に再現し,意思決定精度を98%以上とした。
  論文  参考訳（メタデータ） (2022-06-01T02:04:38Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。